ImmuNet:一个无细分的机器学习管道,用于通过多重成像对瘤进行免疫景观表型化

科学领域:

• 计算生物学 计算生物学
• 免疫组织化学 免疫组织化学
• 癌症研究 癌症研究

背景情况:

• 多重成像可视化组织样本中的多元细胞群,用于癌症诊断和治疗.
• 当前的图像处理管道通常依赖于细胞细分,在细胞重叠的密集组织中,这种细分可能不准确.

研究的目的:

• 引入ImmuNet,一种新的机器学习管道,用于识别细胞位置和表型,而不需要细胞细分.
• 为基于细分的方法提供更简单,更准确的替代方案,用于分析多重组织图像.

主要方法:

• 开发了ImmuNet,这是一种机器学习管道,通过注释器点击和标记器表达分数来识别细胞位置和表型,绕过细胞细分.
• 在人类桃体,肺癌,前列腺癌,黑色素瘤和膀癌组织的多重图像上训练和评估ImmuNet.
• 外部验证的ImmuNet结果与流式细胞计数细胞计数相比.

主要成果:

• 在各种组织类型,细胞类型和密度中,ImmuNet 始终在 5% - 10% 以下的错误率.
• 在准确性方面表现优于基于细分的基线方法.
• 对流细胞计数据进行有效的外部验证.

结论:

• 在多重组织成像中,ImmuNet为基于细分的方法提供了一种有效而简单的替代方法,用于分析细胞位置和表型.
• 在癌症研究和诊断中更容易和更准确地分析细胞群.